凸优化笔记1

本文介绍了数学优化的基本概念,包括优化问题的通用形式、优化变量、目标函数及可行解集等。同时探讨了优化问题的不同分类方式,如线性规划与非线性规划、凸优化与非凸优化以及光滑与非光滑等问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

优化 / 数学规划

从一个科学解的集合中,寻找出最优元素

优化问题的通用形式

minimize f0(x)f_0(x)f0(x)
subject to fi(x)≤bi,i=1,...,Mf_i(x) \leq b_i ,i = 1,...,Mfi(x)bi,i=1,...,M

优化变量(optimization variable): x=[x1,...,xn]Tx = [x_1,...,x_n]^Tx=[x1,...,xn]T
目标函数(objective function): f0:Rn→Rf_0: R^n \rightarrow Rf0:RnR
可行解集(feasible set): { fi(z)≤bi,i=1,...,Mf_i(z) \leq b_i,i=1,...,Mfi(z)bi,i=1,...,M }
最优解:x∗⇔∀z,z∈{fi(z)≤bi,i=1,...,M},f0(z)⩾f0(x∗)x^* \Leftrightarrow \forall z, z \in \left \{ f_i(z) \leq b_i,i=1,...,M \right \} , f_0(z) \geqslant f_0(x^*)xz,z{fi(z)bi,i=1,...,M},f0(z)f0(x)

优化问题分类

  • 分类方法1:线性规划 / 非线性规划
    fi(αx+βy)=αfi(x)+βfi(y),i=0,1,...,Mf_i(\alpha x + \beta y) = \alpha f_i(x) + \beta f_i(y) , i = 0,1,...,Mfi(αx+βy)=αfi(x)+βfi(y),i=0,1,...,M

  • 凸优化/非凸优化
    fi(αx+βy)≤αfi(x)+βfi(y),i=0,1,...,Mf_i(\alpha x + \beta y) \leq \alpha f_i(x) + \beta f_i(y) , i = 0,1,...,Mfi(αx+βy)αfi(x)+βfi(y),i=0,1,...,M

  • 光滑 / 非光滑(目标函数)

  • 连续 / 离散(可行域)

  • 单目标 / 多目标

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值